-
公开(公告)号：CN111860672A
公开(公告)日：2020-10-30
申请号：CN202010738474.1
申请日：2020-07-28
Applicant: 北京邮电大学
Abstract: 一种基于分块卷积神经网络的细粒度图像分类方法，涉及细粒度图像识别技术领域，解决现有方法将原始图像平均分块后输入到卷积神经网络中用于细粒度图像分类，存在感受野限制较弱的问题，本发明不引入额外的参数与运算，在预测过程中保留通用卷积神经网络的高效性，不需要过大的感受野的特性将输入特征图进行分块，每块分别进行卷积操作后，再重新拼接，具有较强的限制性。本发明将卷积的感受野按需要进行限制，使网络更加关注局部区域的特征，更适合应用于细粒度图像分类任务。本发明所述的细粒度图像分类方法，在不引入更多参数的前提下，限制卷积层的感受野范围，使卷积神经网络能够寻找较小的有判别力的局部区域。
-
公开(公告)号：CN107705359B
公开(公告)日：2020-07-07
申请号：CN201710954079.5
申请日：2017-10-13
IPC: G06T17/00 , G06N3/08 , H04B17/391
Abstract: 本发明提供了一种利用三维视觉重建技术的信道建模方法和装置。本发明提供的利用三维视觉重建技术的信道建模方法包括：用户设备从传感器获取当前传播环境的图像数据；用户设备根据图像数据对当前传播环境进行三维重构，得到当前传播环境的三维重构模型；三维重构模型包括：当前传播环境中包括的各物体各自的特征点的坐标，坐标为当前传播环境对应的坐标系中的坐标；用户设备根据三维重构模型，得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型。本发明提供的利用三维视觉重建技术的信道建模方法和装置，获取无线信道模型的效率和准确度均较高。
-
公开(公告)号：CN110671740A
公开(公告)日：2020-01-10
申请号：CN201910990322.8
申请日：2019-10-17
Applicant: 北京邮电大学
IPC: F24D19/10
Abstract: 本发明提供了一种集中供热系统生产自动调节方法，包括通过传感器实时获取集中供热系统对应的所有用户端整体峰值消耗量，并将所述整体峰值消耗量记录为热负荷序列；基于时域与频域变换，将热负荷序列转换为频谱图；通过时间序列预测模型分别对频谱图的每个频段进行预测得到频域预测频谱图；利用时域与频域变换，将频域预测频谱图转换为热负荷预测值序列；根据热负荷预测值序列，动态调整集中供热系统中供暖设备输出功率，从而动态调整集中供热系统的峰值负载。本发明针对现有集中供热系统的自动调节方法难以动态反映热负荷变化，预测的准确率较低的技术问题，旨在保证实时性的同时，提高模型预测准确率的同时降低模型训练时间，并且减少内存消耗。
-
公开(公告)号：CN110288043A
公开(公告)日：2019-09-27
申请号：CN201910585910.3
申请日：2019-07-01
Applicant: 北京邮电大学
IPC: G06K9/62
Abstract: 本发明提供了一种基于向量夹角的异常数据检测方法，包括：基于原训练样本，获取模型的扰动方向，扰动方向为模型测试时输入观测数据样本后使得该模型的损失函数增大最快的方向；获取输入的观测数据样本相对于同一类别的原训练样本的变化方向，根据扰动方向向量和变化方向向量得到扰动方向与变化方向的向量夹角，通过向量夹角的取值得到异常数据的检测结果。本发明可达到在现有模型上进行较小的改动即可完成异常数据检测，无需再建立一个单独的模型；实现了在无法事先准备异常数据样本的情况下可进行异常数据样本检测的目的；由于本发明是在完成主任务的现有模型上进行改动实现异常数据检测，因此可以实现异常检测结果与主任务结果同步输出。
-
公开(公告)号：CN108596237A
公开(公告)日：2018-09-28
申请号：CN201810351707.5
申请日：2018-04-19
Applicant: 北京邮电大学 , 中国人民解放军第三O七医院
Abstract: 本发明提供了一种基于颜色和血管的LCI激光内镜下的结肠息肉分类方法，通过提取LCI激光内镜下的结肠息肉图片的颜色特征向量；将腺瘤性结肠息肉内镜图片集的颜色特征向量作为训练样本进行训练，得到第一高斯混合模型；将非腺瘤性结肠息肉内镜图片集的颜色特征向量作为训练样本进行训练，得到第二高斯混合模型；提取未知类型的结肠息肉图片的颜色特征向量和血管密度特征值；将提取的颜色特征向量分别输入第一高斯混合模型和第二高斯混合模型得到结果值，得出分类结果的技术方案，本发明基于LCI激光内镜，提取颜色和血管密度作为特征向量为结肠息肉分类，该方法所需样本的数量小，训练任务简单，计算量小，在实时监测中无需为此搭设服务器，降低成本。
-
Patent Agency Ranking
公开(公告)号：CN106897436B
公开(公告)日：2018-08-07
申请号：CN201710112755.4
申请日：2017-02-28
Applicant: 北京邮电大学
IPC: G06F17/30
Abstract: 本发明实施例公开了种基于变分推断的学术研究热点关键词提取方法。该系统包括如下步骤:文本预处理步骤,将文本分割清洗成为词语的集合;文本表示步骤,通过TF‑IDF特征加权将词语组成的文本映射到向量空间中成为词向量;层次聚类步骤,使用高斯混合模型表示数据的分布,并通过变分推断方法估计混合模型的参数,将模型划分为几个高斯模型的混合,实现聚类的目的,再对每个类的样本进行高斯混合模型的变分推断,实现层次聚类;结果生成步骤:将层次聚类得到的每个类作为个话题,类中心里权值最高的词语作为该类的关键词,按照层次聚类的结构生成话题树。利用本发明实施例,能够高效、准确地提取定时间内学术研究的热点关键词,作为个合理的参考,具有实用价值。
-
公开(公告)号：CN107993664A
公开(公告)日：2018-05-04
申请号：CN201810075745.2
申请日：2018-01-26
Applicant: 北京邮电大学
IPC: G10L17/02 , G10L17/20 , G10L21/0208 , G10L25/24 , G10L25/30
Abstract: 本发明实施例公开了一种基于竞争神经网络的鲁棒说话人识别方法。该方法利用竞争神经网络提取具有噪声不变性的声学特征，并利用该特征进行基于GMM-UBM模型的说话人识别系统的训练，包括如下步骤：构建包含两个级连的编码网络与区分网络的竞争神经网络，并利用其中的编码网络提取噪声不变特征，然后利用提取的特征实现基于GMM-UBM模型的说话人。在竞争网络训练时编码网络与区分网络分别训练，训练编码网络时所有输入采用相同的干净语音标签，训练区分网络时利用训练语音的噪声类型作为训练标签，利用本发明实施例，能够提高文本无关的说话人鉴别率，具有很大的实用价值。
-
公开(公告)号：CN106127265B
公开(公告)日：2018-02-06
申请号：CN201610458328.7
申请日：2016-06-22
Applicant: 北京邮电大学
Abstract: 本发明实施例公开了一种基于激活力模型的图片中文本识别纠错方法。该方法包括如下步骤：字典构建步骤：构建激活力字典，旨在挖掘汉字间的相互影响关系，从而获得各个汉字前方以及后方可能出现的其他汉字。不确定字纠正步骤：使用通用方法获取识别出的字符以及对应的识别相似度，若其中存在某一字符的相似度高于选定阈值的，认为识别正确；若不存在，则将这些字符以及相似度作为参考先验概率，并利用构建的字典并结合贝叶斯公式筛选出最佳字。利用本发明实施例，能够提高图片文本识别的正确率，具有很大的实用价值。
-
公开(公告)号：CN105022993A
公开(公告)日：2015-11-04
申请号：CN201510373080.X
申请日：2015-06-30
Applicant: 北京邮电大学
IPC: G06K9/00
CPC classification number: G06K9/00402 , G06K9/00429
Abstract: 本发明实施例公开了一种基于图像识别技术的五线谱播放系统。该系统构建主要包括如下几个关键步骤：图像预处理识别步骤；去除五线谱步骤；分离音符步骤；连音音符分割步骤；识别每个小节的音符步骤；根据对应频率发声步骤。利用本发明实施例，能够在不懂曲谱的情况下欣赏到曲谱的旋律，同时方法复杂度低，容易实现，具有很大的实用价值。
-
公开(公告)号：CN104320649A
公开(公告)日：2015-01-28
申请号：CN201410612458.2
申请日：2014-11-04
Applicant: 北京邮电大学
IPC: H04N13/00
Abstract: 本发明实施例公开了一种基于全概率模型的多视点深度图增强系统。该系统包括如下步骤：图像预处理步骤：将像素矢量聚合为超像素矢量；颜色信息分类步骤：使用狄利克雷混合模型模拟超像素矢量分布，并运用变分法估测模型参数，得出超像素矢量的概率密度函数，根据概率进行分类；深度信息分类和增强步骤：基于颜色信息分类结果，使用高斯混合模型模拟深度图像素矢量分布，并运用变分法估计模型参数，根据所得概率密度函数对深度图像素进行细分，将各像素深度值更新为所在类内深度均值，完成深度图增强。利用本发明实施例，能够得到层次更加清晰，结构更加紧凑的深度图，从而提高基于深度绘制的多视点图像合成质量，具有很大的实用价值。
-
-
-
-
-
-
-
-
-
Search Results
118
records
(took 0.082 seconds)
